Ramalan churn & permintaan

Apa yang sebenarnya dipelajari oleh model

Ramalan bunyinya seperti item paling canggih di halaman ini. Ia yang paling biasa, dan memahami mengapa menjadikannya jauh lebih mudah untuk menilai sama ada ia sesuai untuk anda.

Model peralihan melihat setiap pelanggan yang pernah anda ada dan bertanya apa persamaan mereka yang pergi dalam bulan-bulan sebelum mereka pergi. Bukan pendapat — perkara yang boleh diukur. Berapa lama sejak pesanan terakhir, dan adakah jurang itu lebih panjang daripada norma mereka sendiri. Adakah saiz pesanan menurun. Adakah mereka menyempit daripada enam barisan produk kepada dua. Berapa kerap mereka menghubungi sokongan, dan adakah itu berubah. Adakah invois mula dibayar lewat.

Tiada satu pun isyarat itu bermakna banyak secara berasingan. Pelanggan yang tidak memesan selama enam minggu mungkin sangat berpuas hati jika mereka memang hanya memesan setiap suku tahun. Tugas model ialah menimbangnya bersama, relatif kepada corak setiap pelanggan sendiri, dan menghasilkan satu nombor: sejauh mana akaun ini menyerupai mereka yang telah pergi.

Ramalan permintaan berfungsi cara yang sama secara terbalik. Ia mempelajari bahawa sesuatu barisan lebih laku pada minggu sebelum Raya, bahawa satu SKU tertentu telah meningkat selama sembilan bulan, dan bahawa Disember sentiasa perlahan — kemudian menggabungkannya menjadi anggaran untuk bulan hadapan.

Apa yang penting dari segi komersial ialah ini anggaran dengan julat ralat, bukan ramalan pasti. Model peralihan yang baik tidak memberitahu anda seorang pelanggan akan pergi. Ia memberitahu anda akaun ini lebih menyerupai mereka yang pergi berbanding lapan puluh peratus buku anda, yang sudah cukup alasan untuk membuat panggilan.

Mengapa model mudah biasanya menang di sini

Ada anggapan bahawa model yang lebih baik bermaksud yang lebih canggih. Pada data bersaiz PKS sebaliknya yang biasanya benar, dan berbaloi diketahui supaya anda boleh mengenali bila anda sedang dijual lebih.

Deep learning memerlukan data yang sangat banyak untuk mengatasi kaedah yang lebih mudah. Ia serlah pada berjuta contoh. Jika anda ada dua ribu pelanggan dan tiga tahun pesanan, gradient boosting atau bahkan regresi yang ditentukan dengan baik biasanya menyamai atau mengatasinya, berlatih dalam beberapa saat dan bukan berjam, tidak berkos untuk dijalankan, dan — yang paling penting — mampu memberitahu anda mengapa ia menghasilkan sesuatu skor.

Titik terakhir itulah yang menentukan sama ada projek berjaya. Skor tanpa penjelasan ialah sesuatu yang jurujual anda akan abaikan menjelang minggu ketiga. Skor yang berkata "ditanda kerana kekerapan pesanan telah separuh dan dua invois terakhir lewat" ialah sesuatu yang mereka boleh bertindak atasnya, kerana ia memberitahu apa yang perlu dikatakan semasa menelefon.

Jadi jika seseorang mencadangkan rangkaian neural untuk seribu pelanggan, tanya apa yang ia berikan berbanding model yang lebih mudah. Kadangkala ada jawapan yang baik. Selalunya tiada.

Bagaimana hendak tahu sama ada ia benar-benar berfungsi

Model yang tidak pernah disemak akan senyap-senyap berhenti menjadi tepat, dan kegagalan itu tidak kelihatan kerana ia masih menghasilkan nombor yang yakin.

Cara jujur menilai model peralihan ialah melatihnya dengan data lama dan mengujinya dengan data baharu yang ia tidak pernah lihat — bukan dengan data yang ia pelajari, yang memuji-mujinya secara berlebihan. Kami melaporkan kedua-dua apa yang ditangkapnya dan apa yang terlepas, kerana model yang menandakan semua orang menangkap setiap pelanggan yang pergi dan tidak berguna.

Untuk peralihan pelanggan PKS, mengenal pasti enam puluh hingga tujuh puluh peratus pelanggan yang akan pergi cukup awal untuk bertindak adalah hasil yang benar-benar baik. Jika seseorang menjanjikan sembilan puluh lima peratus, mereka sama ada mempunyai data luar biasa atau sedang menerangkan ujian yang telah dilebih-suaikan. Bersyak dengan nombor yang sangat tinggi.

Selepas pelancaran, semakannya mudah dan anda boleh jalankan sendiri: daripada akaun yang ditanda berisiko tinggi tiga bulan lalu, berapa yang benar-benar berhenti memesan, dan berapa yang tiada siapa tandakan tetap pergi juga? Kelakuan pelanggan beralih, jadi rancang untuk melatih semula kira-kira dua kali setahun.